最近在用scrapy重写以前的爬虫，由于豆瓣的某些信息要登录后才有权限查看，故要实现登录功能。豆瓣登录偶尔需要输入验证码，这个在以前写的爬虫里解决了验证码的问题，所以只要搞清楚scrapy怎么提交表单什么的就OK了。从网上找了点资料，说要重写CrawlSpider的start_requests，在重写的函数里发个request，在其回调函数里提交表单。至于request是啥，参考scrapy文档（中文版：http://scrapy-chs.readthedocs.io/zh_CN/latest/intro/tutorial.html）。废话少说，上代码。
重写start_requests：
def start_requests(self): return [Request('https://www.douban.com/accounts/login', meta={'cookiejar': 1} callback=self.post_login)]
Scrapy通过使用cookiejar Request meta key来支持单spider追踪多cookie session。 默认情况下其使用一个cookie jar(session)，不过可以传递一个标示符来使用多个。如meta={'cookiejar': 1}这句，后面那个1就是标示符。下面就是post_login函数了，这个函数主要是提交登录表单，要处理有验证码和无验证码两种情况：
def post_login(self, response): print 'Preparing login====', response.url # s = 'index_nav' html = urllib2.urlopen(response.url).read() # print 'htnl:', html # 验证码图片地址 imgurl = re.search('<img id="captcha_image" src="(.+?)" alt="captcha" class="captcha_image"/>', html) if imgurl: url = imgurl.group(1) # 将图片保存至同目录下 res = urllib.urlretrieve(url, 'v.jpg') # 获取captcha-id参数 captcha = re.search('<input type="hidden" name="captcha-id" value="(.+?)"/>', html) if captcha: vcode = raw_input('请输入图片上的验证码：') return [FormRequest.from_response(response, meta={'cookiejar': response.meta['cookiejar']}, formdata={ 'source': 'index_nav', # 'source': s, 'form_email': 'your_email', 'form_password': 'your_password', 'captcha-solution': vcode, 'captcha-id': captcha.group(1), 'user_login': '登录' }, callback=self.after_login, dont_filter=True) ] return [FormRequest.from_response(response, meta={'cookiejar': response.meta['cookiejar']}, formdata={ 'source': 'index_nav', # 'source': s, 'form_email': 'your_email', 'form_password': 'your_password' }, callback=self.after_login, dont_filter=True) ]
这里通过meta传递cookie（为什么要传cookie，因为cookiejar meta key不是“粘性的”），并且source：index_nav这句是必须的，如果没有这句会登录不上，dont_filter是为了不过滤，因为前面写了自定义的Rule（后面会贴出代码），下面就是回调的after_login函数了：
def after_login(self, response): print 'after_login============' for url in self.start_urls: print '======url:', url # 上面定义了Rule，这里只需要生成初始爬取Request即可 req = Request(url, meta={'cookiejar': response.meta['cookiejar']}) yield req
这里同样用meta传递cookie，不过这样是不成功的，运行时老是302重定向，肯定是cookie没传过去，后来找到一种方法，要重写下面的这个方法：
def _requests_to_follow(self, response): if not isinstance(response, HtmlResponse): return seen = set() for n, rule in enumerate(self._rules): links = [l for l in rule.link_extractor.extract_links(response) if l not in seen] if links and rule.process_links: links = rule.process_links(links) for link in links: seen.add(link) r = Request(url=link.url, callback=self._response_downloaded) # 下面这句是重写的 r.meta.update(rule=n, link_text=link.text, cookiejar=response.meta['cookiejar']) yield rule.process_request(r)
重写那句是每次更新meta都将cookie也更新了，这样传递即可cookie。当然，我这么菜，肯定不是自己想出来的（->_->）©seven_clear
最关键一步，在配置文件里启用cookie，在settings里设置COOKIES_ENABLED=True。如果想看cookie的传递信息，可设置COOKIES_DEBIG=True（别问我怎么知道的，文档上看的）
登录问题解决了，就搞点事，网上爬电影的一大堆，不想盲目随大流，搞个同城爽一下，爬别的模块看下网页源码，稍微动一下脑子就能搞出来。首先要把规则写好，在rules里加上同城的Rule：
Rule(SgmlLinkExtractor(allow=(r'https://www.douban.com/location/people/[0-9a-zA-Z]*/events/attend$')), callback='parse_eventlist'),
SgmLinkExtractor是用来筛选链接的，用法最好还是看文档（文档往往是最好的参考资料）。
哦哦，还得确定爬取哪些内容，写一个Item，随便打开几个活动页面，发现活动都有时间、地点、费用、类型、主办方（发起人）这五项，则爬取这些信息：
class EventItem(Item): itype = Field() # 类型 title = Field() # 活动标题 time = Field() # 时间 address = Field() # 地点 fee = Field() # 费用 etype = Field() # 类型 actor = Field() # 发起人/主办方
写好Item，还要处理Item，ItemPipiLines就是干这事的，这里将数据写入json，如果爬的数据量很大，json就不太合适了，可以用JsonLinesItemExporter，每个Item一项，具体用法以后应该会写个例子。pipeline代码：
class EventPipeLine(object): def __init__(self): self.file = codecs.open('event.json', 'w', encoding='utf-8') def process_item(self, item, spider): if item['itype'] is not 'event': return item name = json.dumps('活动名：' + str(item['title']), ensure_ascii=False) + '\n' time = json.dumps('时间：' + str(item['time']), ensure_ascii=False) + '\n' address = json.dumps('地点：' + str(item['address']), ensure_ascii=False) + '\n' fee = json.dumps('费用：' + str(item['fee']), ensure_ascii=False) + '\n' etype = json.dumps('类型：' + str(item['etype']), ensure_ascii=False) + '\n' actor = json.dumps('发起人/主办方：' + str(item['actor']), ensure_ascii=False) + '\n' line = name + owner + time + address + fee + etype + actor self.file.write(line) self.file.write('==================================================\n') return item def spider_closed(self, spider): self.file.close()
这样的代码在网上烂大街了，自己看看理解思路就行，ensure_ascii=False解决写入时中文乱码问题。对了，item类里有两个类型，注释没写好，itype是说明Item类的类型，即这个item是处理什么类型的数据（电影、音乐或者同城等等），下面那个etype是活动详情页里的那个类型（活动的），在pipeline里用itype来判断item的类型，这只是一个思路，当爬的模块多的时候避免pipeline冲突，因为我爬的模块多，设置pipeline优先级后老冲突，爬取过程中返回的item顺序不一定和pipeline的顺序一致，于是就加了这么一个字段判断，当然要把各pipeline的优先级设一样（在settings里设置ITEM_PIPELINES）。
都OK了，可以写rule里的回调函数了，流程大致为：从用户主页筛选用户同城活动链接->进入链接后筛已过期链接（参加过的当然是已过期）->进入链接筛活动列表->对列表的活动进入详情页筛要爬的数据©seven_clear。一个三个函数：
def parse_eventlist(self, response): print 'url=====', response.url url = response.url nextp = url + '/expired' print 'nextpage:', nextp req = Request(nextp, callback=self.event_list) # =========================================================================== req.meta['cookiejar'] = response.meta['cookiejar'] # 传递cookie # =========================================================================== yield req def event_list(self, response): page = response.body soup = BeautifulSoup(page, 'html.parser') # 获取条目总页数 pagenum = soup.find("span", {"class", "thispage"})['data-total-page'] \ if soup.find("span", {"class", "thispage"}) else 0 print 'before====pagenum===:', pagenum print 'type:', type(pagenum) if int(pagenum) > 5: pagenum = 5 print '====pagenum===:', pagenum # 获取当前页数 thispage = soup.find("span", {"class", "thispage"}).next_element \ if soup.find("span", {"class", "thispage"}) else 0 print 'thispage:', thispage # 获取下一页链接 if soup.find('span', {'class': 'next'}).find('a'): nexturl = soup.find('span', {'class': 'next'}).find('a')['href'] nexturl = 'https://www.douban.com' + nexturl print 'nexturl:', nexturl result = soup.findAll("div", {"class": "info"}) print 'num:', len(result) - 1 for item in result: if item.find('h1'): # 去除杂项 pass else: event_url = item.find('a')['href'] # print '=========================================' # print 'address:', item.find('a')['href'] req = Request(event_url, callback=self.parse_event) # 请求条目详情页 # =========================================================================== req.meta['cookiejar'] = response.meta['cookiejar'] # 传递cookie # =========================================================================== yield req print '==========page', thispage, 'print done!============' if int(thispage) < int(pagenum): # 若当前页不到最后页或者指定页数，则请求下一页 req = Request(nexturl, callback=self.event_list) # =========================================================================== req.meta['cookiejar'] = response.meta['cookiejar'] # 传递cookie # =========================================================================== yield req def parse_event(self, response): sel = Selector(response) item = EventItem() item['itype'] = 'event' item['title'] = sel.xpath('//*[@id="event-info"]/div[1]/h1/text()').extract()[0].strip() item['time'] = sel.xpath('//*[@id="event-info"]/div[1]/div[1]/ul/li/text()').extract()[0] item['address'] = ''.join(sel.xpath('//*[@id="event-info"]/div[1]/div[2]/span[2]/span/text()').extract()) item['fee'] = sel.xpath('//*[@id="event-info"]/div[1]/div[3]/text()').extract()[1].strip() item['etype'] = sel.xpath('//*[@id="event-info"]/div[1]/div[4]/a/text()').extract()[0] item['actor'] = sel.xpath('//*[@id="event-info"]/div[1]/div[5]/a/text()').extract()[0] yield item
在实现过程中还是有些坑的，比如判断总页数的时候，因为爬的数据是Unicode类型的，要转为int再与指定页数比较，不然可能会有这种情况（假设指定页数为5）：活动总页数是4，但是if pagenum > 5的结果是True，导致爬取过程中出错；还有下一页的链接是不全的，要在前面加上前缀；活动的地址分级不一样，可以都爬下来用join方法连接起来。处理event信息是用xpath，这个很好用，可以看一下。
这样就O了，做出来觉得没什么，但做的过程是很曲折的，主要是思路的突破口，看了说一句这很简单也不容易，背后还是要付出点的，继续前行©seven_clear
对了，还有要import的东西，这里提一下：
from scrapy.contrib.spiders import CrawlSpider, Rule from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor from scrapy.selector import Selector # 选择器，xpath找数据 from ..items import EventItem # 导入item import re #以下3个用于验证码登录时下载验证码 import urllib import urllib2 from scrapy.http import Request, FormRequest, HtmlResponse # 表单登录
最后一句，我是菜鸟，别介意我的代码烂，哈哈哈
